Naive Bayes

Naive Bayes, sınıflandırma görevleri için makine öğreniminde yaygın olarak kullanılan bir olasılık algoritmaları ailesidir. İstatistiksel ilkelere dayanan bu algoritma, Bayes Teoremi'ni özellikler arasında güçlü (veya "naif") bir bağımsızlık varsayımı ile Bayes Teoremi'ni uygular. Basitliğine rağmen, bu yöntem, özellikle metin gibi yüksek boyutlu veri kümelerini içeren senaryolarda, verileri kategorize etmek için oldukça etkilidir. Bu yöntem, gözetimli öğrenme alanında temel bir yapı taşı görevi görür görüntü işlemealanında temel bir yapı taşı görevi görür ve hesaplama verimliliği ile tahmin performansı arasında bir denge sağlar.

Temel Kavram: "Naif" Varsayım

Algoritma, belirli bir veri noktasının belirli bir sınıfa ait olma olasılığını tahmin eder. "Naif" yönü, bir sınıfta belirli bir özelliğin varlığının diğer özelliklerin varlığıyla ilgisiz olduğu varsayımından kaynaklanır . Örneğin, kırmızı, yuvarlak ve yaklaşık 3 inç çapında bir meyve elma olarak kabul edilebilir . Naif Bayes sınıflandırıcısı, bu özelliklerin her birini özellik çıkarma bağımsız olarak değerlendirir ve renk, yuvarlaklık ve boyut arasındaki olası korelasyonlardan bağımsız olarak meyvenin elma olma olasılığını hesaplar. .

Bu basitleştirme, model eğitimi için gereken hesaplama gücünü önemli ölçüde azaltır. ,için gereken hesaplama gücünü önemli ölçüde azaltır ve algoritmayı olağanüstü hızlı hale getirir. Ancak, gerçek dünya verileri genellikle bağımlı değişkenler ve karmaşık ilişkiler içerdiğinden, bu varsayım bazen daha karmaşık mimarlara

Gerçek Dünya Uygulamaları

Naive Bayes, hızın kritik olduğu ve bağımsızlık varsayımının makul ölçüde geçerli olduğu uygulamalarda öne çıkar.

• Spam Filtreleme: Naive Bayes'in en ünlü kullanım alanlarından biri doğal dil işleme (NLP) e-posta filtrelemedir. Sınıflandırıcı, bir e-postadaki kelimelerin (belirteçlerin) sıklığını analiz ederek, e-postanın "spam" mı yoksa "ham" (meşru) mu olduğunu belirler. "Ücretsiz", "kazanan" veya "acil" gibi kelimelerin varlığına göre bir mesajın spam olma olasılığını hesaplar. Bu uygulama büyük ölçüde metin sınıflandırmasına bağımlıdır. metin sınıflandırma tekniklerine dayanır.
• Duygu Analizi: İşletmeler, müşteri yorumlarını veya sosyal medya gönderilerini analiz ederek kamuoyunu ölçmek için bu algoritmayı kullanır. Belirli kelimeleri olumlu veya olumsuz duygularla ilişkilendirerek, model büyük miktarda geri bildirimi hızlı bir şekilde kategorize edebilir. Bu, şirketlerin büyük ölçekli duygusal analiz yaparak her yorumu manuel olarak okumadan marka algısını anlamalarını sağlar.

Bilgisayar Görmesinde Naif Bayes ve Derin Öğrenme Karşılaştırması

Naive Bayes, metinler için sağlam olsa da, genellikle bilgisayar görme (CV) gibi algısal görevlerde zorlanır. bilgisayar görme (CV)gibi algısal görevlerde sık sık zorluk çeker. Bir görüntüde, bir pikselin değeri genellikle komşularına (örneğin, bir kenar veya doku oluşturan bir piksel grubu) büyük ölçüde bağlıdır. Bağımsızlık varsayımı burada geçerliliğini yitirir.

Karmaşık görsel görevler için nesne algılamagibi karmaşık görsel görevler için, modern derin öğrenme (DL) modeller tercih edilmektedir. YOLO26 Naive Bayes'in göz ardı ettiği uzamsal hiyerarşileri ve özellik etkileşimlerini yakalamak için evrişimli katmanlar kullanır. Naive Bayes olasılıksal bir temel sağlarken, YOLO26 gibi modeller yüksek doğruluk sunar. otonom sürüş sağlar. Bu karmaşık görme modelleri için gerekli veri kümelerini yönetmek için Ultralytics Platformu gibi araçlar kullanılabilir. Ultralytics gibi araçlar, basit tablo verileri işlemeyi çok aşan, kolaylaştırılmış açıklama ve eğitim iş akışları sunar.

Bayes Ağları ile Karşılaştırma

Naive Bayes'i daha geniş bir kavram olan Bayes Ağıkavramından ayırmak yararlıdır.

• Naif Bayes: Tüm tahminci düğümlerinin doğrudan sınıf düğümüne işaret ettiği ve tahminciler arasında hiçbir bağlantı bulunmayan, Bayes ağının özel ve basitleştirilmiş bir formu.
• Bayes Ağları: Bunlar, Yönlendirilmiş Döngüsüz Grafik (DAG) kullanarak değişkenler arasındaki karmaşık koşullu bağımlılıkları modeller. Bunlar, "naif" yaklaşımın basitleştirdiği nedensel ilişkileri temsil edebilir.

Uygulama Örneği

Bu arada ultralytics paketi derin öğrenmeye odaklanırken, Naive Bayes tipik olarak standart scikit-learn kütüphanesiAşağıdaki örnek, sürekli veriler için yararlı olan Gauss Naive Bayes modelinin nasıl eğitileceğini göstermektedir.

import numpy as np
from sklearn.naive_bayes import GaussianNB

# Sample training data: [height (cm), weight (kg)] and Labels (0: Cat A, 1: Cat B)
X = np.array([[175, 70], [180, 80], [160, 50], [155, 45]])
y = np.array([0, 0, 1, 1])

# Initialize and train the classifier
model = GaussianNB()
model.fit(X, y)

# Predict class for a new individual [172 cm, 75 kg]
# Returns the predicted class label (0 or 1)
print(f"Predicted Class: {model.predict([[172, 75]])[0]}")

Avantajlar ve Sınırlamalar

Naive Bayes'in temel avantajı, son derece düşük çıkarım gecikmesi ve minimum donanım gereksinimleridir. Destek Vektör Makineleri (SVM) gibi diğer algoritmaları yavaşlatabilecek büyük veri kümelerini yorumlayabilir. Destek Vektör Makineleri (SVM)gibi diğer algoritmaları yavaşlatabilecek büyük veri kümelerini yorumlayabilir. Ayrıca, bağımsızlık varsayımı ihlal edildiğinde bile şaşırtıcı derecede iyi performans gösterir.

Ancak, bağımsız özelliklere dayanması, öznitelikler arasındaki etkileşimleri yakalayamayacağı anlamına gelir. Bir tahmin kelimelerin kombinasyonuna bağlıysa (örneğin, "iyi değil"), Naive Bayes, dikkat mekanizmalarını dikkat mekanizmaları veya Transformer'larıkullanan modellere kıyasla zorlanabilir. Ayrıca, test verilerinde 'de bulunan bir kategori eğitim setinde Laplace yumuşatmaile çözülür.